Използване на семантичния диференциал за диагностика на съдържанието на мотивацията Подготовка и
За да се реши проблемът с диагностицирането на съдържанието на различни видове мотивация, включително трудовата мотивация на служителите на предприятията, беше модифициран традиционният метод на семантичен диференциал [17]. Първоначално бяха избрани 18 скали от набора скали, предложен от Osgood, като най-голямото тегло беше включено във факторите стойност, сила и активност. За да се изравнят склонностите на субекта към определен позиционен стил на отговорите, скалите се редуват по отношение на принадлежността към факторите и позицията на полюсите на скалите в пряк и обратен ред. Концептуалните оценки за всеки фактор се изчисляват чрез осредняване на оценките за всяка от 6-те скали, включени в него.
Професии и дейности („Моята работа“, „Моето обучение“, „Моята професия“, „Правене на бизнес“, „Моето свободно време“),
Потребности и ценности („Моето хоби“, „Интересна професия“, „Материално благополучие“, „Моята заплата“, „Полза“, „Общуване с хора“, „Лична независимост“, „Признание от другите“, „Моята кариера“, „Изпълнение на задължения“, „Креативност“, „Успех“),
Хора и организации („Аз“, „Моите приятели“, „Моето семейство“, „Служители на компанията“, „Управление на компанията“, „Моята компания“, „Други компании“),
Отрицателни събития и преживявания („Провал“, „Заплаха“, „Проблеми“, „Болест“),
Различни етапи от жизнения път ("Моето минало", "Моето настояще", "Моето бъдеще").
Техниката се извършва в компютърна форма.
Предметът се представя със следната инструкция: „Ще ви бъдат предложени концепции, които трябва да бъдат оценени с помощта на набор от скали. Да предположим, че оценявате понятието „Моето бъдеще“ със следната двойка прилагателни:
„Тъжно 1 2 3 4 5 67 Радостно.
Според вашата идея изберете число от 1 до 7, което най-точно отговаря на степента на изразеност на това качество за предложеното понятие. Натиснете клавиша с това число, след което ще се появи следващата двойка прилагателни. Когато оцените дадена концепция по всички скали, ще бъде представена следващата концепция и т. н. Този тест е предназначен да изследва вашите идеи, така че вашите отговори не могат да бъдат оценени като правилни или неправилни. Отговаряйте както сметнете за добре. Ако сте сгрешили и искате да се върнете към предишната оценка, натиснете клавиша "Esc" при следващия отговор.
Метод за обработка на данни
Отговорите на субекта, въведени в компютъра, образуват матрица с данни, в която редове и колони представляват оценки на концепции по 18 скали. След това матрицата от оценки на концепцията за мащаба се трансформира в матрица от оценки на концепцията според три фактора - стойност, потентност и активност.
Хората се различават значително в стила си на оценка. Едни предпочитат да дават по-високи оценки на всички понятия, други - по-ниски, едни се опитват да дават крайни, полярни оценки, трети - по-умерени, централни. Субективната референтна точка (нула) и мерната единица (разделение на скалата) могат да се различават не само за различните предмети, но дори и за различни скали и фактори за един и същи предмет. С други думи, всеки субект всъщност използва своя собствена субективна скала, която не съвпада с представената, като по този начин задава истинските граници на използваното семантично пространство. Следователно, за да се изравни началото на координатите и стойността на разделяне на осите, данните се нормализират. Рационирането е преобразуването на стойностите на резултата на факторните оценки на концепциите в дялове на стандартното отклонение спрямо средното аритметично. Тоизвършва се по формулата:
където Xi е стойността на понятието i за този фактор в точки, M е средноаритметичната стойност на всички понятия за този фактор, е стандартното отклонение на стойностите за този фактор. Средно квадратично или стандартно отклонение, което е мярка за променливостта на стойностите на факторите, се изчислява по формулата:
където Xi е стойността на i концепции за този фактор в точки, M е средноаритметичното на всички концепции за този фактор, N е броят на концепциите.
В резултат на нормализацията произходът на всеки фактор се поставя в точката, съответстваща на средноаритметичната стойност на всички понятия (центриране), а стойността на разделяне на оста на фактора съответства на стандартното отклонение на единицата на стойностите (мащабиране). Тази индивидуална стандартизация на семантичното пространство след това прави възможно по-ефективното сравняване на резултатите от различни предмети. Центрирането и мащабирането на ценностите позволява да се изравнят междуиндивидуалните и междуфакторните различия в оценките на понятията и дава възможност да се получи индивидуална норма или стандарт за измерване на субективни ценности.
След това матрицата на факторните оценки на концепциите се трансформира в матрица на разстоянията между концепциите, които характеризират степента на субективно сходство на всяка концепция с всички останали концепции. По този начин матрицата на разстоянието е математически израз на структурата на асоциациите в човешкия ум. Семантичното разстояние между понятията се изчислява по формулата:
където Dij е евклидовото разстояние между точките i и j в r-измерното пространство на характеристиките (факторите), k е поредният номер на характеристиката (фактора), Xik и Xjk са координатите на точките i и j по k-измерението или стойностите на k-характеристиката (фактора) на i и j концепции. Колкото повечесходство между понятията, толкова по-малко е разстоянието между съответните точки. Матрицата на сходство между понятията е квадратна таблица N*N, симетрична спрямо главния диагонал, тъй като Dij=Dji. Елементите на главния диагонал са представени с нулеви стойности, тъй като Dii=0. Разстоянията между понятията също се изчисляват не под формата на условни оценки по семантичната диференциална скала, а във фракции от индивидуалния диапазон от оценки, което прави възможно по-ефективното сравняване на разстоянията между понятията в различни предмети.
Матрицата на разстоянието съдържа пълна информация за структурата на асоциациите в човешкото съзнание. Директният анализ на тази матрица обаче създава трудности поради големия й обем. Следователно матрицата на разстоянията между понятията се трансформира в по-проста и по-илюстративна форма на представяне, което прави възможно намаляването на излишната информация с помощта на математическия апарат на клъстерния анализ. Клъстерният анализ е предназначен да комбинира обекти, които са сходни по много начини, в групи или така наречените клъстери. Клъстерният анализ се основава на методи за автоматична класификация или „неконтролирано разпознаване на образи“. Клъстерният анализ получи името си от английската дума "cluster", което означава "група". Има голям брой алгоритми за клъстерен анализ, които, за съжаление, не винаги дават еднакви резултати. Простото клъстериране ви позволява да получите много неприпокриващи се класове, които се изключват един друг, йерархичното клъстериране ви дава много клъстери, включени един в друг под формата на дърво, комбинирайки обекти в класове на различни нива на сходство.
Доста прост, ефективен и визуален алгоритъм за йерархичен клъстерен анализ е последователното обединение по двойкинай-сходните обекти. Сред N*N матрицата на разстоянието се търси двойка от най-близко разположените точки. Обектите, съответстващи на тези точки, се комбинират в клъстер и двата обекта, включени в клъстера, се изключват от по-нататъшен анализ и се заменят с един. Изчисляват се координатите на точката, съответстваща на този клъстер и разположена точно по средата между двете начални точки. Преизчисляват се разстоянията между новополучения клъстер и останалите обекти. Така матрицата на разстоянието се намалява с 1. След това алгоритъмът се повтаря отначало. В този случай могат да се комбинират както точки, съответстващи на отделни обекти, така и точки, представляващи клъстери от предварително обединени обекти. Тази процедура се повтаря, докато остане само един клъстер.
Ориз. 1. Пример за дендрограма на понятия
Резултатите от клъстерния анализ могат да бъдат визуализирани като дендрограма или дърво, където различни клони съответстват на различни обекти и клъстери. Последователната връзка на клоновете изразява обединението на съответните обекти или клъстери. В този случай, колкото по-близо до върха са свързани клоните, толкова по-сходни са клъстерите, съответстващи на тези клони. В същото време е възможно един клъстер да се състои от един обект, ако той е твърде различен от всички останали. По този начин резултатите от йерархичния клъстерен анализ на понятията под формата на дендрограма са графично представяне на структурата на тяхното субективно групиране в съзнанието на субекта. Придвижвайки се от основата на дървото към върха, можете последователно да отделите групи от все повече и повече подобни понятия. В същото време е емпирично установено, че са достатъчни понятия, които се комбинират на разстояние по-малко от едно стандартно отклонениеподобни и те трябва да се считат за обекти от един и същи клъстер.